Eleven v3が正式リリース

この記事の公開後、最も感情豊かなテキスト読み上げモデルであるEleven v4をリリースしました。詳しくはEleven v4をご覧ください。

最も高度なテキスト読み上げモデル、Eleven v3がAlpha版を終え、正式提供を開始しました。

Alpha版のリリース以降も、モデルの改善を続けてきました。主な改善点は2つです。

より安定。 テストでは、ユーザーの72%が前回のAlpha版より新バージョンを好みました。

より正確。 数字、記号、専門的な表記を各言語で処理する精度を大幅に改善しました。

精度の改善

テキスト読み上げモデルは、書かれた内容を解釈し、どのように発音するかを判断する必要があります。同じ記号でも、文脈によって異なる意味を持つことがあります。

電話番号を例に考えてみましょう：「+49 170 9876543」

以前は、数字の並びではなく大きな数値として解釈し、「プラス49、170、987万6,543」と読み上げる場合がありました。正しくは、「プラス4、9、1、7、0、9、8、7、6、5、4、3」と読み上げるべきです。

こうしたエラーは、スポーツのスコア、化学式、通貨、座標など、モデルが記号を解釈して発音方法を判断する必要があるさまざまなカテゴリで発生していました。

8言語・27カテゴリを対象とする社内ベンチマークでテストしました。

全体： エラーを68%削減。エラー率は15.3%から4.9%に低下しました。

カテゴリ別エラー率：

改善が特に大きいのは、文脈によって解釈が決まるカテゴリです。たとえばコロンは、前後のテキストによってスポーツのスコア、時刻、アスペクト比のいずれを示すこともあります。

例

通貨 — 金額の桁を正確に認識：

入力： ¥250,000

改善前：2万5,000円

改善後： 25万円

化学式 — 記号を正しく保持：

入力： SO₂

改善前：「サルファー・ダブル」（誤った読み上げ）

改善後： 「S O 2」

スポーツのスコア — 文脈に応じた解釈：

入力： 最終スコア：102-98

改善前：「102引く98」

改善後： 「102対98」

提供状況

Eleven v3は現在、すべてのプラットフォームで正式に利用できます。